基于乳腺钼靶与超声联合神经分析的乳腺病灶自动分类
图像与视频处理
2020-09-24 v1 计算机视觉与模式识别
摘要
放射科医生广泛将钼靶和超声作为互补模态使用，以在乳腺癌诊断中取得更好性能。然而，现有的乳腺计算机辅助诊断（CAD）系统通常基于单一模态。在本工作中，我们提出一种基于深度学习的方法，从其相应的钼靶和超声图像中对乳腺癌病灶进行分类。我们呈现多种方法，并显示出在利用两种模态时性能的一致提升。所提方法基于 GoogleNet 架构，分两步训练对我们的数据微调。首先，为每种模态分别训练一个独立的神经网络，生成高层特征。然后，源自各模态的聚合特征被用于训练一个多模态网络以提供最终分类。在定量实验中，所提方法取得了 0.94 的 AUC，优于在单一模态上训练的最先进模型。此外，其表现与放射科医生平均水平相当，超越了读者研究中四名放射科医生中的两名。这些有前景的结果表明所提方法可成为乳腺放射科医生有价值的决策支持工具。
引用
@article{arxiv.2009.11009,
title = {Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound},
author = {Gavriel Habib and Nahum Kiryati and Miri Sklair-Levy and Anat Shalmon and Osnat Halshtok Neiman and Renata Faermann Weidenfeld and Yael Yagil and Eli Konen and Arnaldo Mayer},
journal= {arXiv preprint arXiv:2009.11009},
year = {2020}
}
备注
10 pages including references, 8 figures, 1 table. Accepted to MICCAI ML-CDS 2020 workshop (ML-CDS 2020/CLIP 2020, LNCS 12445 proceedings)